CN112561878A - 基于加权融合的手指静脉图像质量评价方法 - Google Patents

基于加权融合的手指静脉图像质量评价方法 Download PDF

Info

Publication number
CN112561878A
CN112561878A CN202011477250.6A CN202011477250A CN112561878A CN 112561878 A CN112561878 A CN 112561878A CN 202011477250 A CN202011477250 A CN 202011477250A CN 112561878 A CN112561878 A CN 112561878A
Authority
CN
China
Prior art keywords
quality evaluation
image
comprehensive
finger vein
quality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011477250.6A
Other languages
English (en)
Inventor
马慧
田文博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heilongjiang University
Original Assignee
Heilongjiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Heilongjiang University filed Critical Heilongjiang University
Priority to CN202011477250.6A priority Critical patent/CN112561878A/zh
Publication of CN112561878A publication Critical patent/CN112561878A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于加权融合的手指静脉图像质量评价方法，包括：根据手指静脉图像特点选取有效面积、清晰度、信息熵、偏移度和等效视数五种评价指标，并通过五种评价指标对待测图像进行质量评价，获得五个初始质量评价指标分数；对五个初始质量评价指标分数进行归一化处理，将归一化后的五个质量评价指标分数进行加权融合，得到综合质量评估函数；根据加综合质量评估函数对待测图像进行加权质量评估，得到综合质量评估分类结果以及图像质量评价识别率。该方法根据五个指标对手指静脉图像质量评价的重要性不同设计加权融合方式，进而有效提高静脉识别系统性能。

Description

基于加权融合的手指静脉图像质量评价方法
技术领域
本发明涉及模式识别技术领域，特别涉及一种基于加权融合的手指静脉图像质量评价方法。
背景技术
手指静脉识别技术具有活体采集的特点，这是因为静脉图像是利用手指内部血管特征成像，采用近红外光透射血管，由血管中的血红蛋白吸收红外线形成血管纹路，一旦个体失活将无法采集到静脉纹路，因此，静脉识别技术的防伪性与安全性极高。
但在静脉图像采集过程中，存在一些影响静脉图像质量的因素，例如被采集者的手指摆放位置不当、采集环境温度过低、外界光照变化等，都可能导致采集到的手指静脉图像质量下降，甚至存在后续无法识别的可能。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种基于加权融合的手指静脉图像质量评价方法，该方法有效提高静脉识别系统性能。
为达到上述目的，本发明实施例提出了基于加权融合的手指静脉图像质量评价方法，包括以下步骤：步骤S1，根据手指静脉图像特点选取有效面积、清晰度、信息熵、偏移度和等效视数五种评价指标，并通过所述五种评价指标对待测图像进行质量评价，获得五个初始质量评价指标分数；步骤S2，对所述五个初始质量评价指标分数进行归一化处理，将归一化后的五个质量评价指标分数进行加权融合，得到综合质量评估函数；步骤S3，根据所述加综合质量评估函数对所述待测图像进行加权质量评估，得到综合质量评估分类结果以及图像质量评价识别率。
本发明实施例的基于加权融合的手指静脉图像质量评价方法，在采集过程中进行手指静脉图像质量评价，对于质量严重低下的图像给出重新采集的提示，从而提高后续识别系统性能。
另外，根据本发明上述实施例的基于加权融合的手指静脉图像质量评价方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述步骤S2进一步包括：将所述五个初始质量评价指标分数写入excel表，并将各个评价指标对应处做标签，其中，高质量标记为1、低质量标记为-1；选用最大最小归一化法对所述五个初始质量评价指标分数进行归一化处理，将所述五个初始质量评价分数转化为[0,1]之间的数，公式为：
Figure BDA0002837600150000021
其中，xk为各个归一化数据结果，k＝1,2,3,4,5为选取评价指标的个数，xmin为所述五个初始质量评价指标分数中的最小数，xmax为所述五个初始质量评价指标分数中的最大数；
将所述各个归一化数据结果进行加权融合，得到所述综合质量评估函数，其中，所述综合质量评估函数为：
Figure BDA0002837600150000022
其中，Q为综合质量评估函数，N为指标的个数，λi为单个质量评价指标的权重，Qi为归一化后的五个质量评价分数。
进一步地，在本发明的一个实施例中，所述步骤S3中加权质量评估的具体步骤为：通过迭代选出所述所述综合质量评估函数中对综合质量评估影响最大的权重；根据所述权重计算出每张待测图像的综合质量分数；在所述每张待测图像的综合质量分数中选取低质量标记的综合质量指标，求出最大最小值，根据所述最大最小值对图像综合质量评估的分类准则设定阈值范围，满足所述阈值范围的待测图像记为1，否则记为-1，得出综合质量评估分类结果。
进一步地，在本发明的一个实施例中，进一步包括：完成所述加权质量评估后，将分所述综合质量评估分类结果与每张待测图像对应的标签进行比对，若标签一致则分类正确，分类正确图像数加1，标签不等则分类错误，最后求解分类正确图像数与总分类图像数的比值作为所述图像质量评价识别率。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的基于加权融合的手指静脉图像质量评价方法的流程图；
图2是本发明一个实施例的综合质量评估结构图；
图3是本发明一个实施例的权重较大参数选择流程图；
图4是本发明一个实施例的加权融合流程图；
图5是本发明一个实施例的加权融合识别率计算流程图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于加权融合的手指静脉图像质量评价方法。
图1是本发明一个实施例的基于加权融合的手指静脉图像质量评价方法的流程图。
如图1所示，该基于加权融合的手指静脉图像质量评价方法包括以下步骤：
在步骤S1中，根据手指静脉图像特点选取有效面积、清晰度、信息熵、偏移度和等效视数五种评价指标，并通过五种评价指标对待测图像进行质量评价，获得五个初始质量评价指标分数。
需要说明的是，本领域技术人员可根据实际需求选取不同种不同数量的评价指标，在此不作具体限定。
具体地，本发明综合考虑了手指静脉图像采集过程中影响图像质量的因素，设计出选取有效面积、清晰度、信息熵、偏移度和等效视数五种评价指标，对待测图像进行全面客观的评价手指静脉图像质量：
(1)有效面积评价指标
由于手指静脉图像的生物特征集中在手指区域，因此本发明利用手指静脉区域的有效面积来衡量一幅静脉图像质量的高低，有效面积可以通过计算前景图像中指静脉的面积占图像整体面积的比例求得，而前景区域和图像整体的面积可以利用图像的像素点个数表示，因此，手指静脉图像的有效面积QA可以表示为：
Figure BDA0002837600150000031
其中，SF为待测图像前景区域面积，Sall为整张图像面积，ST为静脉图像有效面积的阈值，当图像的有效面积超过阈值ST时，可认为手指静脉为高质量图像，有效面积为100％。
(2)清晰度评价指标
清晰度表示的是图像上各种细节纹理和边缘的清晰程度，受图像噪声水平、动态模糊、边缘锐化程度等因素的影响，由于静脉图像包含较多的静脉纹理特征，静脉纹线走向的清晰程度决定了该图像是否为高质量图像。在计算手指静脉图像的清晰度时，首先要提取静脉图像边缘信息特征。本发明实施例利用Prewitt算子0°、45°、90°、135°四个方向来提取静脉图像的边缘信息。
对四个方向进行边缘检测得到的图像I1、I2、I3、I4进行加权平均得到加权平均图像Wm：
Figure BDA0002837600150000041
设Wm的灰度值为fw，因此静脉图像的清晰度可以利用灰度值fw和灰度阈值fT的差在0-1之间取反来表示。手指静脉图像的清晰度QC如下式所示:
Figure BDA0002837600150000042
(3)信息熵评价指标
手指静脉图像中包含众多手指静脉纹路，不同的纹路特征反应在像素上表示像素点在空间位置分布概率的不同，而信息熵表示像素点的平均统计量信息，因此可以利用信息熵来衡量一幅图像手指静脉纹路的特征量，信息熵的值越大，图像中包含的纹路信息越丰富，图像的质量越高。图像的信息熵计算如下所示：
Figure BDA0002837600150000043
其中，QE为图像信息熵值，m为图像的灰度级，取值范围为[0,255]，fm表示像素在第m级灰度级上的概率。
(4)偏移度评价指标
由于每次采集图像时，手指摆放位置略有不同，可能导致手指在图像中发生不同程度的偏移，这种偏移量可分为水平偏移和竖直偏移两种，手指静脉图像的偏移量为水平偏移和竖直偏移综合后的结果。
由于手指静脉的偏移量是手指区域相对于整张图像的偏移，因此可以通过寻找指静脉区域的质心和图像的几何中心，然后计算质心和几何中心的偏移量来表示指静脉的偏移程度，指静脉区域的质心为：
Figure BDA0002837600150000044
Figure BDA0002837600150000045
其中，Cx和Cy分别为手指静脉区域质心的横纵坐标，在图像的区域R中，xi为像素i的横坐标，yi为像素j的纵坐标，N为R中像素的总个数。
指静脉图像的水平偏移量和竖直偏移量计算如下：
Figure BDA0002837600150000051
Figure BDA0002837600150000052
其中，QH表示水平偏移量，QV表示竖直偏移量，gx和gy为整幅图像几何中心的横纵坐标。
因此，指静脉图像的偏移质量分数Qs可以表示为：
Qs＝(QH×QV)×100％ (9)
(5)等效视数评价指标
等效视数是表示对图像中噪声的抑制效果，图像的等效视数越大，图像对噪声的抑制能力越强，图像质量越高，具体来说，等效视数Qv可以用图像的均值和标准差计算，公式如下:
Figure BDA0002837600150000053
其中，μ为静脉图像灰度均值，σ为静脉图像灰度标准差。
在步骤S2中，对五个初始质量评价指标分数进行归一化处理，将归一化后的五个质量评价指标分数进行加权融合，得到综合质量评估函数。
可理解的是，由于上述五个质量评价指标的计算结果并没有在同一个数量级上，因此需要对其进行归一化，以避免量纲差异过大导致后续融合效果不理想，本发明选用的归一化方法为最大最小归一化
Figure BDA0002837600150000054
其中，xk为各个归一化数据结果，k＝1,2,3,4,5为选取评价指标的个数，xmin为五个初始质量评价指标分数中的最小数，xmax为五个初始质量评价指标分数中的最大数，通过数据归一化把所有的数据转化为[0,1]之间的数。
进一步地，如图2所示，将上述归一化后的五个静脉图像质量评价指标结果进行加权融合，得出手指静脉图像的综合质量分数。本发明的质量评价指标加权融合方式充分考虑到不同特征参数对图像的影响不同，对权重进行了相应调整，相应得到综合质量评估函数Q为：
Figure BDA0002837600150000055
其中，Q为综合质量评估函数，N为指标的个数，本发明中N的取值为5，λi为单个质量评价指标的权重，它的取值根据单个质量评估指标的重要程度不同而不同，若某个指标对图像的质量影响比较大，权重λi的值就越大。
在步骤S3中，根据加综合质量评估函数对待测图像进行加权质量评估，得到综合质量评估分类结果以及图像质量评价识别率。
进一步地，在本发明的一个实施例中，加权质量评估的具体步骤为：
通过迭代选出综合质量评估函数中对综合质量评估影响最大的权重；
根据权重计算出每张待测图像的综合质量分数；
在每张待测图像的综合质量分数中选取低质量标记的综合质量指标，求出最大最小值，根据最大最小值对图像综合质量评估的分类准则设定阈值范围，满足阈值范围的待测图像记为1，否则记为-1，得出综合质量评估分类结果；
将分综合质量评估分类结果与每张待测图像对应的标签进行比对，若标签一致则分类正确，分类正确图像数加1，标签不等则分类错误，最后求解分类正确图像数与总分类图像数的比值作为图像质量评价识别率。
下面对本发明提出的基于加权融合的手指静脉图像质量评价方法的执行流程进行详细说明。
实施例一，求解综合质量评估分类结果。
步骤一，将待测图像各个参数的质量评价指标分数写入excel表，并将各个指标对应处打上标签，高质量标记为1、低质量标记为-1。
步骤二，将各个参数的质量分数采用最大最小方法进行数据归一化，将指标结果归一化到0-1之间。
步骤三，首先通过迭代找出对综合质量评估影响较大的权重，选择权重较大的参数指标的方法如下：
设被选中参数的权重为x，其余参数的权重为y,则有x+4y＝1，又因为被选中的参数的权值要满足x＞y，因此x∈(1/5,1)，然后对x以0.01的步长迭代赋值，相对应y值也以一定的规律不断更新。
将每次迭代后产生的综合质量评估分数存储在数组中并取最值，求出加权情况下该指标对综合质量评估影响的最大值，如将参数指标Qi的权值赋值为0.4，其余各指标的权值赋值为0.15，(0.4+0.15*4＝1)，测出Qi对综合质量分数的影响，即Qi赋较大权重时的综合质量分数。
以同样的方法赋值Qi+1，保持其余指标的权值不断更新并保持一致，最后可以依次测出五个指标对图像综合质量分数的影响，并对其进行排序选取，选取较大的前三名，然后利用3x+2y＝1采用上述方法，对参数指标权值进行下一次权值更新，计算出每张图像的综合质量分数。
步骤四，设置高低质量的阈值，如果待测图像评分高于该阈值，则判定为高质量图像，否则判定为低质量图像。
实施例二，求解图像质量评价识别率。
如图5所示通过测试加权综合质量评估后分类的图像与主观质量评估的图像进行标签匹配，得出分类识别率。具体步骤如下：
步骤一，将待测图像各个参数的指标质量分数写入excel表，并将各个指标对应处打上标签，高质量标记为1、低质量标记为-1。
步骤二，将各个参数的质量分数采用最大最小方法进行数据归一化。
步骤三，选择权重较大的参数。
步骤四，计算出每张图像的综合质量分数。
步骤五，然后选取标记为低质量的综合质量指标求出最大最小值，根据最大最小值对图像综合质量评估的分类准则设定阈值范围，满足此范围的图像记为1，否则记为-1，得出综合质量评估分类结果。
步骤六，将分类结果与每张图像对应的标签进行比对，如果标签一致则分类正确，分类正确图像数加1，标签不等则分类错误，最后用分类正确图像数比上总分类图像数计算出综合图像质量评估的识别率。
根据本发明实施例提出的基于加权融合的手指静脉图像质量评价方法，针对手指静脉图像特性提出有效面积、清晰度、信息熵、偏移度与等效视数五个手指静脉图像质量评价指标，并依据这五个指标对手指静脉图像质量评价的重要性不同设计加权融合方式，提高了手指静脉图像质量评价的准确性，有助于低质量的静脉图像的识别与重新采集，从而有效提高静脉识别系统性能。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种基于加权融合的手指静脉图像质量评价方法，其特征在于，包括以下步骤：
步骤S1，根据手指静脉图像特点选取有效面积、清晰度、信息熵、偏移度和等效视数五种评价指标，并通过所述五种评价指标对待测图像进行质量评价，获得五个初始质量评价指标分数；
步骤S2，对所述五个初始质量评价指标分数进行归一化处理，将归一化后的五个质量评价指标分数进行加权融合，得到综合质量评估函数；
步骤S3，根据所述加综合质量评估函数对所述待测图像进行加权质量评估，得到综合质量评估分类结果以及图像质量评价识别率。
2.根据权利要求1所述的基于加权融合的手指静脉图像质量评价方法，其特征在于，所述步骤S2进一步包括：
将所述五个初始质量评价指标分数写入excel表，并将各个评价指标对应处做标签，其中，高质量标记为1、低质量标记为-1；
选用最大最小归一化法对所述五个初始质量评价指标分数进行归一化处理，将所述五个初始质量评价分数转化为[0,1]之间的数，公式为：
Figure FDA0002837600140000011
其中，xk为各个归一化数据结果，k为选取评价指标的个数，xmin为所述五个初始质量评价指标分数中的最小数，xmax为所述五个初始质量评价指标分数中的最大数；
将所述各个归一化数据结果进行加权融合，得到所述综合质量评估函数，其中，所述综合质量评估函数为：
Figure FDA0002837600140000012
其中，Q为综合质量评估函数，N为指标的个数，λi为单个质量评价指标的权重，Qi为归一化后的五个质量评价分数。
3.根据权利要求1所述的基于加权融合的手指静脉图像质量评价方法，其特征在于，所述步骤S3中加权质量评估的具体步骤为：
通过迭代选出所述所述综合质量评估函数中对综合质量评估影响最大的权重；
根据所述权重计算出每张待测图像的综合质量分数；
在所述每张待测图像的综合质量分数中选取低质量标记的综合质量指标，求出最大最小值，根据所述最大最小值对图像综合质量评估的分类准则设定阈值范围，满足所述阈值范围的待测图像记为1，否则记为-1，得出综合质量评估分类结果。
4.根据权利要求3所述的基于加权融合的手指静脉图像质量评价方法，其特征在于，进一步包括：
完成所述加权质量评估后，将分所述综合质量评估分类结果与每张待测图像对应的标签进行比对，若标签一致则分类正确，分类正确图像数加1，标签不等则分类错误，最后求解分类正确图像数与总分类图像数的比值作为所述图像质量评价识别率。
CN202011477250.6A 2020-12-15 2020-12-15 基于加权融合的手指静脉图像质量评价方法 Pending CN112561878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011477250.6A CN112561878A (zh) 2020-12-15 2020-12-15 基于加权融合的手指静脉图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011477250.6A CN112561878A (zh) 2020-12-15 2020-12-15 基于加权融合的手指静脉图像质量评价方法

Publications (1)

Publication Number Publication Date
CN112561878A true CN112561878A (zh) 2021-03-26

Family

ID=75063696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011477250.6A Pending CN112561878A (zh) 2020-12-15 2020-12-15 基于加权融合的手指静脉图像质量评价方法

Country Status (1)

Country Link
CN (1) CN112561878A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991313A (zh) * 2021-03-29 2021-06-18 清华大学 图像质量的评估方法及装置、电子设备和存储介质
CN113288452A (zh) * 2021-04-23 2021-08-24 北京大学 手术质量检测方法及装置
CN113792644A (zh) * 2021-09-10 2021-12-14 黑龙江大学 一种基于偏振与图像质量评价的手指静脉图像采集装置及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866486A (zh) * 2010-06-11 2010-10-20 哈尔滨工程大学 手指静脉图像质量判断方法
CN101901336A (zh) * 2010-06-11 2010-12-01 哈尔滨工程大学 指纹与指静脉双模态识别决策级融合法
CN102289808A (zh) * 2011-07-22 2011-12-21 清华大学 一种图像融合质量评估方法和系统
CN106296669A (zh) * 2016-08-01 2017-01-04 微梦创科网络科技（中国）有限公司 一种图像质量评价方法和装置
CN110889817A (zh) * 2019-11-19 2020-03-17 中国人民解放军海军工程大学 图像融合质量评价方法及装置
CN111161238A (zh) * 2019-12-27 2020-05-15 Oppo广东移动通信有限公司 图像质量评价方法及装置、电子设备、存储介质
CN111223082A (zh) * 2020-01-03 2020-06-02 圣点世纪科技股份有限公司 一种指静脉图像质量的量化评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866486A (zh) * 2010-06-11 2010-10-20 哈尔滨工程大学 手指静脉图像质量判断方法
CN101901336A (zh) * 2010-06-11 2010-12-01 哈尔滨工程大学 指纹与指静脉双模态识别决策级融合法
CN102289808A (zh) * 2011-07-22 2011-12-21 清华大学 一种图像融合质量评估方法和系统
CN106296669A (zh) * 2016-08-01 2017-01-04 微梦创科网络科技（中国）有限公司 一种图像质量评价方法和装置
CN110889817A (zh) * 2019-11-19 2020-03-17 中国人民解放军海军工程大学 图像融合质量评价方法及装置
CN111161238A (zh) * 2019-12-27 2020-05-15 Oppo广东移动通信有限公司 图像质量评价方法及装置、电子设备、存储介质
CN111223082A (zh) * 2020-01-03 2020-06-02 圣点世纪科技股份有限公司 一种指静脉图像质量的量化评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUI MA等: "A non-contact finger vein image quality assessment method", 《APPLIED MECHANICS AND MATERIALS》 *
李苋兰等: "基于BP-AdaBoost神经网络的多参数掌静脉图像质量评价法", 《计算机系统应用》 *
王一丁等: "多参数融合的手背静脉图像质量评价", 《小型微型计算机系统 》 *
王禄禄: "手指静脉图像质量评估方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王科俊等: "手指静脉图像质量评价", 《智能系统学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991313A (zh) * 2021-03-29 2021-06-18 清华大学 图像质量的评估方法及装置、电子设备和存储介质
CN112991313B (zh) * 2021-03-29 2021-09-14 清华大学 图像质量的评估方法及装置、电子设备和存储介质
CN113288452A (zh) * 2021-04-23 2021-08-24 北京大学 手术质量检测方法及装置
CN113792644A (zh) * 2021-09-10 2021-12-14 黑龙江大学 一种基于偏振与图像质量评价的手指静脉图像采集装置及方法
CN113792644B (zh) * 2021-09-10 2023-09-26 黑龙江大学 一种基于偏振与图像质量评价的手指静脉图像采集装置及方法

Similar Documents

Publication Publication Date Title
CN112561878A (zh) 基于加权融合的手指静脉图像质量评价方法
CN110599451A (zh) 医学图像病灶检测定位方法、装置、设备及存储介质
CN111291701B (zh) 一种基于图像梯度和椭圆拟合算法的视线追踪方法
CN110070531B (zh) 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置
CN108491498A (zh) 一种基于多特征检测的卡口图像目标搜索方法
CN104408707A (zh) 一种快速数字成像模糊鉴别与复原图像质量评估方法
CN108875623B (zh) 一种基于图像特征融合对比技术的人脸识别方法
CN112288010B (zh) 基于网络学习的指静脉图像质量评价方法
CN111553310B (zh) 基于毫米波雷达的安检图像获取方法、系统及安检设备
CN111611907A (zh) 一种图像增强的红外目标检测方法
CN112396619A (zh) 一种基于语义分割的内部复杂组成的小型颗粒分割方法
CN117058147B (zh) 基于计算机视觉的环保塑料制品缺陷检测方法
CN115423870A (zh) 一种瞳孔中心定位方法和装置
CN109344758B (zh) 基于改进局部二值模式的人脸识别方法
KR101779642B1 (ko) 텍스처화된 영역들의 지능형 선택에 의해 홍채들의 이미지들을 비교하는 방법
CN112825120B (zh) 人脸光照评价方法、装置、计算机可读存储介质及设备
CN114080644A (zh) 用于诊断小肠清洁度的系统和方法
CN116778537A (zh) 一种指背静脉图像识别过程中指甲的检测与处理方法
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN116092170A (zh) 一种基于大数据技术的专利价值分析系统
CN115272737A (zh) 一种橡胶圈流痕识别方法
CN110751064B (zh) 基于图像处理的眨眼次数分析方法和系统
CN110175531B (zh) 一种基于姿态的考生位置定位方法
CN112801166A (zh) 一种基于特征数据及维度缩放的黑色素瘤分类方法
CN111832464A (zh) 一种基于近红外摄像头的活体检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326